Prophet模型中plot_components四种主要成分含义
在Prophet模型中，plot_components函数可以对时间序列数据的不同成分进行可视化分析，从而为使用者提供一定的参考依据，其中有四个主要成分，含义如下：
-
trend:即趋势，表示时间序列数据整体的趋势变化。Prophet模型中的趋势通常使用分段线性回归来进行检测和预测。
-
weekly:即周周期性，表示时间序列数据在一周内的重复变化模式，这个模式可能具有一定的普遍性，并不具体是哪一周的模式。例如，周末销售额可能会高于工作日销售额，或者某个具体的星期几可能会有更高的交通流量等。
-
holidays:表示假日效应，即某些特定假期或事件可能对时间序列数据具有影响，如圣诞节、春节等假期。在Prophet模型中，假期效应被视为二进制指示器（indicator），用于对假期对时间序列的影响进行建模处理。
-
yearly:即年周期性，表示时间序列数据在一年内的重复变化模式。比如，某些行业在不同季节会呈现销售高峰期，例如食品行业的销售在春节长假期间有所上涨等。
Prophet模型中的plot_components可以帮助我们更好地理解时间序列数据在不同成分上的变化模式，并且在模型拟合过程中可以通过调整模型参数来充分利用这些模式信息，获得更准确的预测结果。
除了在 Prophet 模块中的 plot_components 函数中提供的四个主要成分（趋势、周周期性、假日效应和年周期性）外，还可以通过 add_seasonality 方法添加自定义季节性、节奏规律等成分，并在 plot_components 中进行可视化展示。add_seasonality 方法可指定季节性成分的周期、强度等参数，并在模型拟合的过程中进行优化。
此外，还可以通过 add_regressor 方法添加额外的外生变量（即对时间序列数据具有影响的其他因素），如节假日前的促销活动、天气因素等，从而提高模型在外生变量的效应下的预测能力。add_regressor 方法同样可以在 plot_components 中可视化展示。
除了常规的成分和变量外，还有一些其他的成分和变量，如趋势的变化点、噪音等。可以使用 changepoints 和 uncertainty_samples 参数来可视化和评估这些成分和变量，其中 changepoints 参数可以帮助检测趋势的变化点， uncertainty_samples 参数可以帮助评估噪音水平。
